用于高效视觉引导重排规划的蒙特卡洛树搜索
机器人学
2020-04-02 v2 计算机视觉与模式识别
摘要
我们解决带有众多可移动物体的视觉引导重排规划问题，即寻找动作序列将一组物体从初始排布移至目标排布，同时依赖来自 RGB 相机的视觉输入。为此，我们引入一个依赖两项关键贡献的完整流程。首先，我们提出一种基于蒙特卡洛树搜索（Monte-Carlo Tree Search）探索策略的高效可扩展重排规划方法。我们证明，由于其良好的探索与利用权衡，我们的方法（i）随物体数量扩展良好，同时（ii）相较其他最先进方法找到需更少移动步数的解。注意，与许多方法相反，我们不要求任何可用缓冲空间。其次，为精确标定场景中可移动物体，我们开发了一种集成方法，使用仅以合成数据训练的深度神经网络从单一未标定 RGB 相机进行鲁棒多物体工作空间状态估计。我们通过真实 UR-5 机械臂上的若干实验验证了多物体视觉引导操作流程，求解各类重排规划实例，仅需 60 毫秒即可计算出重排 25 个物体的规划。此外，我们展示系统对相机运动不敏感，且能从外部扰动中成功恢复。补充视频、源代码与预训练模型见 https://ylabbe.github.io/rearrangement-planning。
引用
@article{arxiv.1904.10348,
title = {Monte-Carlo Tree Search for Efficient Visually Guided Rearrangement Planning},
author = {Yann Labbé and Sergey Zagoruyko and Igor Kalevatykh and Ivan Laptev and Justin Carpentier and Mathieu Aubry and Josef Sivic},
journal= {arXiv preprint arXiv:1904.10348},
year = {2020}
}
备注
Accepted for publication in IEEE Robotics and Automation Letters (RA-L)